便携式近红外光谱与机器学习在鸡肉品质多场景认证中的应用：高效、可靠的非侵入性检测方案

本研究创新性地将便携式近红外光谱（NIR）技术与机器学习（ML）算法相结合，通过合成少数类过采样技术（SMOTE）、光谱预处理（如SG滤波、MSC、SNV）和特征选择方法，成功实现了鸡肉生产类型（8类，F1=97.0%）、新鲜度（2类，F1=89.0%）和扫描类型（3类，F1=95.0%）的高精度分类，为食品真实性检测提供了快速、非侵入性的现场解决方案。

　　

Section snippets

Related work

Xu等人（2022）开发了聚合酶链式反应（PCR）和侧向流动条带分析技术用于检测鸡肉掺假。他们比较了六种DNA提取方法以设计特异性引物，并选择鸡细胞色素b基因（cytb）作为靶标。通过自组装的侧向流动检测传感器评估了PCR-LFS系统的准确性和灵敏度。该方法灵敏度极高，可在人工污染的肉类中检测出0.1%的鸡肉成分。Selamat等人（2022）提出了物化分析与...

Materials and Methods

图1展示了本研究提出的基于近红外光谱的鸡胸肉分析系统框架。在线数据集包含按新鲜度（新鲜与解冻）、扫描类型（TP-透过包装、OM-直接测肉、TB-包装底部翻转扫描）和生产系统（1星-散养、CONV-常规养殖、ORG-有机3星、2星-特种养殖、STD-标准鸡、CF-玉米饲喂鸡、FR-自由放养、MAR-市场来源）分类的NIR光谱数据。

Results

本研究的所有计算均在Google Colab Pro平台上完成，使用Python 3语言和Google Compute Engine的GPU后端。该系统提供强大的计算资源，包括25.45GB内存和166.75GB磁盘存储，显著加速了模型训练与执行过程。我们采用Scikit-Learn、Pandas、NumPy和Matplotlib等Python库进行模型开发、数据处理和结果可视化。为全面评估模型性能...

Discussion

鸡肉产品的真实性认证对保障食品完整性与安全至关重要。近期研究凸显了光谱技术、数据平衡和机器学习方法在食品真实性保障中的有效性。光谱方法特别是傅里叶变换红外（FT-IR）和近红外（NIR）光谱能实现快速无损分析，在保持样品完整性的同时提供其化学成分的关键信息。这些方法通过光谱特征捕捉分子振动信息，从而识别样品间的细微差异。结合化学计量学和机器学习算法...

Conclusion

本研究通过整合近红外光谱与先进机器学习技术，成功建立了一种便携式、稳健的鸡肉认证方法。通过采用包含SMOTE数据平衡、SGF/MSC/SNV/SG+SNV光谱预处理、ETC/SPA特征选择在内的综合框架，该方案在多场景认证中显著提升了分类准确率。此外，研究还运用了...